一种结合CNN、GRU和SE的混合预测方法，用于短期光伏功率预测，该方法考虑了自动频率检测（AFD）和数据聚合技术 作者：刘凯安（Keyan Liu）、贾东利（Dongli Jia）、詹慧宇（Huiyu Zhan）、周军（Jun Zhou）、王泽洲（Zezhou Wang）和鲍建飞（Jianfei Bao）

《Entropy》：A Hybrid CNN-GRU-SE Forecasting Method for Short-Term Photovoltaic Power Considers AFD and Data Aggregation Keyan Liu, Dongli Jia, Huiyu Zhan, Jun Zhou, Zezhou Wang and Jianfei Bao

　　

摘要

为了提高短期光伏（PV）功率预测的准确性和鲁棒性，本文提出了一种新的预测方法，该方法结合了数据聚合、自适应频率分解（AFD）、改进的Beluga鲸优化算法（MIBWO）以及CNN-GRU-SE混合模型。首先，通过皮尔逊相关系数和熵权重方法筛选出与光伏功率输出具有强相关性的气象特征。考虑到地理距离，本文提出了一种空间数据聚合策略，以利用相邻光伏站之间的空间相关性并抑制单个站的输出波动性。然后，采用AFD自适应地将光伏功率序列分解为趋势成分和季节性成分，并利用MIBWO算法同时优化AFD的截止频率和CNN-GRU-SE预测模型的关键超参数。最后，通过SHAP方法进行模型可解释性分析，以量化每个特征对预测结果的贡献。仿真结果验证了所提方法的功率预测准确性和鲁棒性。与CNN-GRU和BWO-CNN-GRU-SE相比，所提方法分别将均方误差（MAE）降低了96.23%和95.03%。该方法在晴天和阴天条件下均保持稳定的性能。